声明:语音合成(TTS)论文优选系列主要分享论文,分享论文不做直接翻译,所写的内容主要是我对论文内容的概括和个人看法。如有转载,请标注来源。
欢迎关注微信公众号:低调奋进
Location-Relative Attention Mechanisms for Robust Long-Form Speech Synthesis
本篇文章是google在2020.04.22更新的文章,主要提出了基于energy_base的dynamic convolution attention,使语音合成系统可以对长句子进行推理。文章的具体链接:https://arxiv.org/pdf/1910.10288.pdf
1 背景
现在的语音合成系统虽然可以合成较高音质音频,但基于attention的对齐依然存在许多问题,比如使用短句子语料训练模型,该模型无法进行长句子的推理。本文对比了两类attention:location-relative gmm-based attention和additive energy-based attention,并提出了一种新的attention:dynamic convolution attention(DCA),实验结果显示,该attention可以合成较长的句子。
2 详细设计
encoder-attention-decoder的模型通用的公式表达为公式1-4:先使用encoder对输入进行处理,输出固定长度的特征h。对于decoder的每一帧输出,先使用attention求取对特征h的对齐,然后求取context vector。最后使